CN101635014A - 一种建立常温液奶产品感官品评专家系统的方法 - Google Patents

Abstract

本发明提供了一种建立常温液奶产品感官品评专家系统的方法，该方法将Kohonen自组织特征映射、BP网络相结合，对常温液奶产品进行理化指标测试，并由品评专家进行品评，得到其感官品评得分和理化指标等样本数据，通过聚类完成对常温液奶产品理化指标的分类，并用常温液奶产品感官品评得分和理化指标等样本数据分别训练各自对应的BP网络，通过建立常温液奶产品理化指标和感官品评指标的映射关系，建立常温液奶产品感官品评专家系统。该方法克服了现有的常温液奶产品感官品评方法过分依赖品评专家的缺陷，可以有效减少人工品评的不确定性，提高常温液奶产品感官品评的工作效率和自动化程度，确保常温液奶产品质量。

Description

一种建立常温液奶产品感官品评专家系统的方法

技术领域

本发明涉及一种建立常温液奶产品感官品评专家系统的方法，具体来说，为减少对品评专家的依赖，提高对常温液奶产品进行感官品评的自动化程度，本发明提供了一种建立常温液奶产品感官品评专家系统的方法。

背景技术

近年来，随着人们越来越意识到牛乳对人体健康的重要性，牛乳已经成为许多人的生活必需品，市场对牛乳的需求量也在持续增长。，常温液奶作为乳制的主要产品，其销量和被消费者认可程度，在所有乳制品中居于首位。由感官品评专家对常温液奶产品进行感官品评，是目前主要采用的方法。但是，专家的评定结果受到主观因素的影响，随情绪、年龄、性别、识别能力的不同而有所差异，具有较大的不确定性，同时，人工品评过分依赖专家经验，不利于实现自动化操作。

很明显，常温液奶产品的各项理化指标，例如脂肪、干物质、冰点等，与常温液奶产品的感官品评之间存在密切联系。目前，对于常温液奶产品理化指标和感官品评指标之间的相关性，尚没有定量的分析研究。

Kohonen自组织特征映射，通过网络学习、使输出层中枢神经元的权向量逼近输入特征向量，将具有相同或相近特征的输入向量，映射到位置相同或相邻的输出节点，从而实现对输入数据的特征的聚类，提取了某种内在规律性。而BP网络是目前应用最广泛的人工神经网络模型之一，其权值和阈值调整采用反向传播的学习算法，可以实现从输入到输出的任意非线形映射。经过训练的BP网络，对于不是样本集中的输入样本也能给出合适的输出，因此可以对未知样本进行预测。

目前，在运用上述模型建立食品感官品评系统方面，已有一些研究，但主要应用于酒类、烟类，而常温液奶产品的成分更加复杂，且风味不象烟、酒类那样突出和典型，人工品评的难度和不确定度更大。因牧场的地理位置、饲养条件、饲料种类、奶牛品种以及季节等因素的不同，原奶品质具有很大差异，导致常温液奶产品的滋气味差别很大，上述因素给建立常温液奶产品感官品评专家系统带来了困难。目前，在常温液奶产品感官品评应用方面，还没有相关的方法或者系统。

发明内容

本发明旨在提供一种建立常温液奶产品感官品评专家系统的方法，由常温液奶产品理化指标判定感官品评，克服现有方法过分依赖品评专家的缺陷，减少人工品评的不确定度，提高常温液奶产品感官品评效率和自动化程度。

为实现上述目的，本发明提供了一种建立常温液奶产品感官品评专家系统的方法，该系统主要包括Kohonen自组织特征映射聚类和BP网络两个模块，包括：

获取各个产地、各类饲养条件、各种奶牛品种和不同季节的常温液奶产品样本，组织品评专家对常温液奶产品进行感官品评，根据品评得分，把常温液奶产品划分成合格和不合格两组；并将所得感官品评得分和理化指标等样本数据录入数据库；

去除错误、不一致或不完整的常温液奶产品感官品评得分和理化指标样本数据，并对数据库中的常温液奶产品样本数据进行归一化，从而实现各常温液奶产品理化指标参数的量纲统一，便于后续处理的进行；

构建Kohonen阵列，依据专家经验确定Kohonen阵列的初始领域半径、学习率和学习次数；

应用Kohonen自组织特征映射对常温液奶产品理化指标样本数据进行聚类，完成数据库中所有常温液奶产品样本数据的分类，并建立分类库；

对不同类常温液奶产品的理化指标样本，分别建立对应的BP网络，并依专家经验确定BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；

将常温液奶产品感官品评得分和理化指标等样本数据送入对应的BP网络进行训练，在最大学习次数内达到指定误差精度后停止，上述步骤即完成常温液奶产品感官品评专家系统的建立，否则，更换常温液奶产品样本数据，重新进行训练，直到算法收敛。

根据本发明的再一种建立常温液奶产品感官品评专家系统的方法，其中，常温液奶产品的品评项目包括：色泽、乳香味、口感和特征风味。

根据本发明的另一种建立常温液奶产品感官品评专家系统的方法，其中，作为本专家系统输入的常温液奶产品理化指标，包括：脂肪、蛋白、干物质、乳糖、冰点、比重、非脂乳固、酸度、细菌总数、嗜冷菌、芽孢、耐热芽孢。

根据本发明的又一种建立常温液奶产品感官品评专家系统的方法，其中，BP网络的输入数据是常温液奶产品的各项理化指标，输出数据是常温液奶产品感官品评得分。

根据本发明的又一种建立常温液奶产品感官品评专家系统的方法，其中，所述常温液奶产品感官品评专家系统的使用管理过程为：

测定待评价常温液奶产品的各项理化指标，并将所得数据输入该系统；

根据常温液奶产品理化指标进行自组织特征提取，确定其所属类别；

如果输入的常温液奶产品理化指标属于未知类，不在该常温液奶产品感官品评专家系统的已有BP网络中训练过，则以常温液奶产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；

如果输入的常温液奶产品理化指标是已知类的样本数据，则根据其类别读取从分类库中读取对应的BP网络，并计算出常温液奶产品感官品评指标预测值。

附图说明

以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围，其中：

图1是本发明的常温液奶产品感官品评专家系统的流程图；

图2是图1所示的常温液奶产品感官品评专家系统的使用管理示意图。

具体实施方式

本发明的常温液奶产品感官品评专家系统主要包括Kohonen自组织特征映射聚类和BP网络两个模块，首先利用Kohonen自组织特征映射将输入常温液奶产品样本数据进行聚类，将聚类结果保存到Kohonen知识库，然后建立各个聚类子空间的BP网络。

本发明的常温液奶产品感官品评专家系统的流程图如图1所示，具体来说包括：

取不同地理位置、饲养条件、饲料种类、奶牛品种、季节、生产设备以及生产工艺的常温液奶产品，测定其理化指标：脂肪、蛋白、干物质、乳糖、冰点、比重、非脂乳固、酸度、细菌总数、嗜冷菌、芽孢、耐热芽孢。

同时，组织品评专家对常温液奶产品进行品评，品评项目包括：色泽、乳香味、口感和特征风味。评分标准见表1，根据得分将常温液奶产品分成两组：合格：四个感官指标均在3分以上(并且至少有一个指标是3分)；不合格：有一个指标为2分或1分。最后将所得样本数据录入数据库，针对每个理化指标，选择不同的值。

本实施例所选用的范围如下：检出限以下、检出限至国标规定最高值、国标规定最高值以上。这样才能保证所建立的系统能够客观准确的控制常温液奶产品质量，从而使乳制品质量得到保证。

表1常温液奶产品评分标准

	1分	2分	3分	4分	5分
						色泽	色泽极深或极浅	色泽很深或很浅	色泽较深或较浅	色泽稍深或稍浅	呈均匀一致的乳白色
乳香味	乳香味极平淡或极重	乳香味很重或很轻	乳香味较重或较轻	乳香味略重或略轻	具有纯正的乳香味，乳香味适中
						特征风味	无特征风味或有异味	基本没有特征风味	有可感知的特征风味	有较浓郁的特征风味	有浓郁的特征风味
口感	口感极厚或极薄	口感很厚或很薄	口感较厚或较薄	口感略厚或略薄	薄厚度适中

运用Matlab完成Kohonen和BP网络的建立，去除错误、不一致或不完整的常温液奶产品感官品评得分和理化指标等样本数据，并用线性函数对常温液奶产品的样本数据进行归一化，常温液奶产品的理化指标是高维向量，且各指标量纲并不相同，在聚类之前必须进行归一化，从而方便后续处理的进行。

构建Kohonen网络阵列，依据专家经验确定所述Kohonen网络的初始领域半径、学习率和学习次数，其中，初始学习率为(0.39-0.50)，初始领域半径为0.386，学习次数为32次。

应用Kohonen自组织特征映射对常温液奶产品理化指标数据实现聚类，将各组常温液奶产品的理化指标样本空间细分为多个子空间，从而完成数据库中所有常温液奶产品的最终分类。

对不同类常温液奶产品各项理化指标样本的各子空间，分别建立对应的BP网络，其输入数据是常温液奶产品理化指标，输出数据是常温液奶产品感官品评得分。每个BP网络仅在一个子空间内实现理化指标与感官品评得分之间的映射关系，降低了问题的复杂度，大大提高了网络学习的速度和精度，更利于完成每个输出参数与理化指标之间的函数映射。为克服BP网络学习易陷入局部最小值问题，采用了自适应学习率和带有平滑项的目标函数，使网络收敛效果与推广性能大大改善。BP网络的初始学习率、误差调整参数、初始动量系数、网络结构等参数由专家经验确定，本实施例中，初始学习率为0.35-0.50，误差为0.001，初始动量系数为0.938。

采用SAS6.0将常温液奶产品样本数据归一化，并将完成归一化的常温液奶产品样本数据送入对应的BP网络，按照当前的BP算法进行训练，达到指定误差精度(0.001)后停止，上述步骤即完成本发明的常温液奶产品感官品评专家系统的建立。

本发明所建立的常温液奶产品感官品评专家系统的使用管理过程如图2示，包括：

测定待评价常温液奶产品的多项理化指标，并将所得数据输入已经建立的常温液奶产品感官品评专家系统；

根据系统输入的常温液奶产品理化指标进行Kohonen自组织特征提取，确定其类别；

如果系统输入的常温液奶产品理化指标属于未知类，不在已建立的常温液奶产品感官品评专家系统的已有BP网络中训练过，则以该常温液奶产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；

如果输入常温液奶产品理化指标是已知类的样本数据，则根据其类别读取从所述分类库中读取对应的所述BP网络，并计算出常温液奶产品感官品评指标预测值，如果输入常温液奶产品理化指标与已学样本靠近，则系统预测结果可信度高；否则，系统将根据样本在原始输入空间中的偏离程度，指出所预测结果的参考价值。

表2提供了本实施例的常温液奶产品感官品评专家系统得到的实验数据，该表将预测数据与专家品评结果进行了对比，可以看出，本系统根据常温液奶产品理化指标的感官品评预测结果，与常温液奶产品品评专家的基本相符，在可接受的误差范围内。

表2常温液奶产品神经网络预测数据与专家品评结果比较

本系统将专家经验分类与由数据驱动的智能等级评定方法相结合，把复杂问题分解，分别送入各自的BP网络求解，最终类的知识都保存在各类的BP网络知识库中。当有新的预测工作要做时，只需根据分类神经网络计算出对应的BP网络，便可利用已训练好的网络映射模型预测出此样本的感官品评指标。

如上所述，根据本发明的一种建立常温液奶产品感官品评专家系统的方法，集成了Kohonen网络、BP网络，对常温液奶产品进行测试、品评，在得到品评指标和理化指标的基础上，由Kohonen网络自组织特征映射，完成聚类，并用各类常温液奶产品感官品评得分和理化数据等样本数据分别训练各自对应的BP网络，获取各类常温液奶产品理化指标与感官品评得分之间的映射关系，从而建立常温液奶产品感官品评专家系统。该系统充分利用了常温液奶产品品评专家的经验、减少了人工品评的不确定性、提高了常温液奶产品感官品评的工作效率和自动化程度。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (5)

1.一种建立常温液奶产品感官品评专家系统的方法，包括：

品评专家对常温液奶产品进行感官品评，并测定所述常温液奶产品的理化指标，将所得感官品评得分和理化指标等样本数据录入数据库；

去除错误、不一致或不完整的所述常温液奶产品的感官品评得分和理化指标样本数据，对所述数据库中的所述样本数据进行归一化；

构建Kohonen阵列，依据专家经验确定所述Kohonen阵列的初始领域半径、学习率和学习次数；

应用Kohonen自组织特征映射对所述常温液奶产品理化指标进行聚类，完成所述数据库中所有常温液奶产品理化指标的分类，并建立分类库；

对不同类常温液奶产品的所述理化指标，分别建立对应的BP网络，并依专家经验确定所述BP网络的系统允许误差限、初始学习率、初始动量系数、初始化网络权重、最大学习次数、误差调整参数；

将所述常温液奶产品的感官品评得分和理化指标等样本数据送入对应的所述BP网络进行训练，在所述最大学习次数内达到指定误差精度后停止，上述步骤即完成常温液奶产品感官品评专家系统的建立，否则，更换所述常温液奶产品样本数据，重新进行训练，直到算法收敛。

2.如权利要求1所述的建立常温液奶产品感官品评专家系统的方法，其特征在于，所述常温液奶产品感官品评的品评项目包括：色泽、乳香味、口感和特征风味。

3.如权利要求1或2所述的建立常温液奶产品感官品评专家系统的方法，其特征在于，作为所述系统输入的所述常温液奶产品理化指标，包括：脂肪、蛋白、干物质、乳糖、冰点、比重、非脂乳固、酸度、细菌总数、嗜冷菌、芽孢、耐热芽孢。

4.如权利要求1所述的建立常温液奶产品感官品评专家系统的方法，其特征在于，所述BP网络的输入数据是所述常温液奶产品理化指标，所述BP网络的输出数据是所述常温液奶产品感官品评得分。

5.如权利要求1所述的建立常温液奶产品感官品评专家系统的方法，其特征在于，所述常温液奶产品感官品评专家系统的使用管理过程为：

测定待评价常温液奶产品的所述理化指标，并将所得数据输入所述常温液奶产品感官品评专家系统；

根据所述常温液奶产品理化指标进行Kohonen自组织特征提取，确定其所属类别；

如果所述常温液奶产品理化指标属于未知类，不在所述常温液奶产品感官品评专家系统的已有BP网络中训练过，则以所述常温液奶产品理化指标为核心样本建立新的训练样本集，并对相应的新建BP网络进行训练；

如果所述常温液奶产品理化指标是已知类的样本数据，则根据其类别读取从所述分类库中读取对应的所述BP网络，计算出常温液奶产品感官品评指标预测值。

Images